source("../../lib/som-utils.R")
Attaching package: 'dplyr'
The following objects are masked from 'package:stats':
filter, lag
The following objects are masked from 'package:base':
intersect, setdiff, setequal, union
source("../../lib/maps-utils.R")
Linking to GEOS 3.8.0, GDAL 3.0.4, PROJ 6.3.1
mpr.set_base_path_analysis()
model <- mpr.load_model("som-279.rds.xz")
summary(model)
SOM of size 50x50 with a hexagonal topology and a bubble neighbourhood function.
The number of data layers is 1.
Distance measure(s) used: sumofsquares.
Training data included: 94881 objects.
Mean distance to the closest unit in the map: 0.044.
plot(model, type="changes")
df <- mpr.load_data("datos_mes.csv.xz")
df
summary(df)
id_estacion fecha fecha_cnt tmax
Length:94881 Length:94881 Min. : 1.000 Min. :-53.0
Class :character Class :character 1st Qu.: 4.000 1st Qu.:148.0
Mode :character Mode :character Median : 6.000 Median :198.0
Mean : 6.497 Mean :200.2
3rd Qu.: 9.000 3rd Qu.:255.0
Max. :12.000 Max. :403.0
tmin precip nevada prof_nieve
Min. :-121.00 Min. : 0.00 Min. :0.000000 Min. : 0.000
1st Qu.: 53.00 1st Qu.: 3.00 1st Qu.:0.000000 1st Qu.: 0.000
Median : 98.00 Median : 10.00 Median :0.000000 Median : 0.000
Mean : 98.86 Mean : 16.25 Mean :0.000295 Mean : 0.467
3rd Qu.: 148.00 3rd Qu.: 22.00 3rd Qu.:0.000000 3rd Qu.: 0.000
Max. : 254.00 Max. :422.00 Max. :6.000000 Max. :1834.000
longitud latitud altitud
Min. :27.82 Min. :-17.8889 Min. : 1.0
1st Qu.:38.28 1st Qu.: -5.6417 1st Qu.: 42.0
Median :40.82 Median : -3.4500 Median : 247.0
Mean :39.66 Mean : -3.4350 Mean : 418.5
3rd Qu.:42.08 3rd Qu.: 0.4914 3rd Qu.: 656.0
Max. :43.57 Max. : 4.2156 Max. :2535.0
world <- ne_countries(scale = "medium", returnclass = "sf")
spain <- subset(world, admin == "Spain")
plot(model, type="count", shape = "straight", palette.name = mpr.degrade.bleu)
Número de elementos en cada celda:
nb <- table(model$unit.classif)
print(nb)
1 2 3 4 5 6 7 9 10 11 12 13 14 15 16 17
29 43 27 21 21 25 39 22 45 17 24 45 41 46 60 38
18 19 20 21 22 24 25 26 27 28 29 30 31 32 33 34
43 43 27 50 39 34 50 76 57 58 48 62 37 42 59 49
35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
61 46 41 32 35 60 39 57 59 51 41 46 55 68 35 81
51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66
28 26 59 31 31 25 45 59 13 23 40 49 39 31 69 55
67 68 69 70 71 72 74 75 76 77 78 79 80 81 82 83
54 38 51 48 59 57 29 44 69 51 53 38 40 48 58 35
84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99
34 22 63 24 43 28 22 65 21 44 63 32 53 47 51 53
100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115
29 16 43 52 56 44 55 39 64 49 42 27 48 39 45 36
116 117 118 119 120 121 123 124 125 126 127 128 129 130 131 132
45 32 28 30 54 51 16 31 37 26 29 43 34 41 40 40
133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148
14 46 57 35 41 56 46 48 51 42 36 36 57 75 48 39
149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164
45 47 39 58 39 41 58 48 36 24 53 33 57 25 47 50
165 166 167 168 169 170 171 173 175 176 177 178 179 181 182 183
33 31 48 44 40 34 25 39 35 24 37 9 29 6 29 18
184 185 186 187 188 189 190 192 193 194 195 196 197 198 199 200
35 34 26 20 28 38 27 21 31 26 21 39 23 7 1 38
201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216
42 46 46 48 29 56 25 47 45 23 49 28 51 32 52 32
217 218 219 220 221 222 223 224 226 227 229 230 231 232 233 234
30 22 59 24 35 41 48 15 37 36 50 44 37 32 54 29
235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250
37 20 18 18 21 30 32 34 31 39 59 50 57 51 46 29
251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266
27 74 79 25 48 37 47 46 37 13 28 36 37 56 60 52
267 268 269 270 271 272 273 274 275 276 279 280 281 282 283 284
15 42 64 2 32 34 57 28 30 18 45 28 61 52 34 43
285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300
38 69 60 37 32 34 47 49 31 31 56 26 35 46 22 53
301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316
35 52 31 50 43 38 29 33 32 11 26 27 14 20 38 1
317 318 319 320 321 322 323 324 325 326 327 329 330 331 332 333
32 29 18 45 23 41 40 41 30 30 32 29 7 49 27 51
334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349
50 58 95 27 25 25 17 61 31 39 41 62 37 53 47 44
350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365
36 63 59 80 22 18 32 24 40 21 31 13 17 39 35 43
367 368 369 370 371 372 373 374 375 376 377 378 380 381 382 383
30 60 29 21 21 32 39 28 46 35 48 36 22 54 51 75
384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399
33 25 63 27 41 44 51 50 28 14 18 33 23 65 29 43
400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 416
77 54 46 39 32 43 31 25 48 46 36 25 24 33 30 32
417 419 420 421 422 423 424 425 426 427 428 430 431 432 433 434
38 25 20 23 23 31 67 28 25 33 29 51 69 44 16 24
435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450
29 35 39 25 37 35 39 33 69 55 35 88 38 44 35 74
451 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467
60 54 65 28 32 31 37 53 32 45 27 29 27 52 31 75
468 469 470 471 472 473 474 476 477 478 479 481 482 483 484 485
46 27 23 21 20 40 46 43 43 61 30 58 54 31 56 41
486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501
41 5 30 64 37 37 17 47 39 60 72 23 17 41 32 36
502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517
46 69 89 37 37 40 30 32 28 40 48 30 54 28 40 50
518 519 520 521 522 523 524 525 526 527 528 529 531 532 533 534
51 28 28 35 30 25 61 27 45 44 42 32 47 65 16 13
535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550
40 18 41 47 47 19 29 7 45 50 22 26 21 52 29 65
551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566
39 50 41 35 60 38 47 29 20 50 26 33 35 46 25 27
567 568 570 571 572 573 574 575 576 578 579 580 581 582 583 584
48 43 33 38 36 35 59 29 35 71 50 27 39 40 34 34
585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600
33 41 52 33 48 31 47 49 45 45 59 42 31 60 55 28
601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616
39 68 33 47 46 27 43 18 38 31 44 40 45 24 39 39
617 618 619 620 621 622 623 624 625 626 627 628 629 631 632 633
36 57 37 24 41 16 42 58 30 18 30 43 31 71 54 54
634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649
13 27 41 22 24 22 7 16 45 23 51 31 47 20 27 13
650 653 654 655 656 657 658 659 660 661 663 664 665 666 667 668
36 59 31 35 48 47 20 26 37 24 31 46 17 38 21 43
669 670 671 672 673 674 675 676 677 678 679 680 682 683 684 685
30 24 29 38 22 32 14 28 34 41 25 29 65 48 25 29
686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701
45 28 49 52 54 29 55 50 21 34 34 31 40 36 54 98
704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719
28 44 37 46 39 35 34 61 33 33 32 66 46 87 45 33
720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735
26 38 42 39 28 18 31 60 38 30 46 9 17 36 19 33
736 737 738 739 740 741 742 743 744 745 746 747 748 750 751 752
49 12 38 47 58 39 36 33 38 53 36 24 70 94 108 65
753 755 757 758 759 760 761 762 763 764 765 766 767 768 769 770
92 64 23 30 47 41 37 34 22 14 34 39 78 20 35 17
771 772 773 774 776 777 778 779 780 781 783 784 785 786 787 788
27 59 40 45 35 29 29 41 28 46 47 57 47 44 49 47
789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 805
34 48 42 25 9 22 30 56 26 19 34 8 79 69 115 47
806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821
42 39 46 18 44 27 39 2 50 59 52 34 46 5 42 34
822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837
31 22 50 38 46 65 33 32 37 52 24 56 36 29 26 26
838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 854
39 21 33 43 65 66 31 41 40 32 28 78 58 62 89 68
856 857 858 859 860 861 862 863 867 868 869 870 871 872 873 874
30 28 36 36 29 38 42 40 28 34 34 45 39 30 42 43
876 877 878 879 880 881 882 883 884 885 887 888 889 890 891 892
44 35 68 32 23 46 46 33 47 41 34 37 45 58 35 7
893 894 895 896 897 898 899 900 901 902 905 909 910 911 912 913
38 44 55 37 32 38 56 56 102 116 58 28 36 34 7 59
914 915 916 917 918 919 920 921 922 923 925 926 927 928 929 930
30 30 14 37 20 13 37 32 49 63 76 39 21 40 29 49
931 932 933 934 935 937 938 939 940 941 942 943 944 945 946 947
39 28 40 49 49 43 31 34 31 26 33 31 30 25 46 46
948 949 950 951 952 954 955 956 957 958 960 961 962 963 964 965
1 25 32 67 68 56 46 74 81 69 34 40 40 31 36 45
966 967 968 969 970 971 972 973 974 976 977 978 979 980 981 982
39 57 39 31 15 39 30 36 37 30 52 52 66 8 1 38
983 984 985 986 988 989 990 991 992 993 994 995 996 997 998 999
39 50 48 36 40 17 17 34 33 46 46 54 27 27 48 40
1000 1003 1004 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020
32 23 20 39 18 25 48 37 10 36 47 35 27 31 31 33
1021 1022 1023 1024 1025 1026 1027 1029 1030 1031 1032 1033 1034 1035 1036 1037
64 50 42 40 23 43 62 43 25 19 52 72 65 57 48 44
1038 1039 1040 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055
42 22 27 30 22 65 36 27 43 66 45 81 73 38 19 54
1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071
63 41 34 23 15 18 47 29 35 38 31 68 37 30 32 41
1072 1073 1074 1075 1076 1078 1079 1080 1081 1083 1084 1085 1086 1087 1088 1089
44 44 36 39 55 53 43 43 39 61 58 18 28 26 38 17
1090 1091 1092 1093 1094 1095 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111
29 56 59 29 57 20 46 51 59 47 43 30 27 23 39 55
1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1125 1126 1127 1128
35 42 51 52 54 37 19 25 25 28 47 56 53 48 47 40
1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144
23 30 6 19 33 8 40 20 36 24 52 35 44 47 54 6
1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1159 1160
27 65 66 75 62 51 100 87 71 46 37 41 30 22 19 36
1161 1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176
39 39 29 32 10 49 44 22 56 28 26 28 37 38 25 58
1177 1178 1179 1180 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1195
44 24 40 40 34 56 24 31 18 28 42 8 35 33 40 36
1196 1197 1198 1199 1200 1204 1205 1206 1207 1208 1209 1210 1211 1212 1213 1214
62 46 52 54 40 21 33 45 16 28 36 21 49 23 32 38
1215 1216 1217 1218 1219 1220 1221 1222 1224 1225 1226 1227 1228 1229 1230 1231
36 30 19 24 38 41 29 39 50 27 32 48 36 43 7 45
1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247
25 25 29 21 27 30 50 31 46 38 33 59 14 32 59 33
1248 1249 1250 1251 1252 1253 1254 1255 1256 1258 1259 1260 1261 1262 1263 1264
58 38 26 30 38 22 50 24 57 23 24 39 44 32 42 12
1265 1266 1267 1268 1269 1270 1271 1272 1273 1275 1276 1277 1278 1279 1280 1281
46 31 42 39 34 28 45 32 68 31 47 37 26 52 3 30
1282 1283 1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297
39 64 15 13 31 32 49 8 67 33 49 45 72 40 55 25
1298 1299 1300 1301 1302 1303 1304 1305 1307 1309 1310 1311 1312 1313 1314 1315
50 39 39 52 67 52 47 24 66 29 30 26 22 41 40 28
1316 1317 1318 1319 1320 1321 1323 1325 1326 1327 1328 1329 1330 1331 1332 1333
22 54 51 54 39 49 47 54 32 27 45 3 24 38 51 42
1334 1335 1336 1337 1338 1340 1341 1342 1343 1344 1345 1346 1347 1348 1349 1350
32 36 13 16 21 75 24 27 53 33 20 21 28 51 100 68
1351 1352 1353 1354 1355 1356 1359 1360 1361 1362 1363 1364 1365 1366 1367 1368
67 49 41 20 35 28 36 33 34 27 36 27 19 41 24 53
1369 1370 1371 1372 1373 1374 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385
14 53 40 39 64 61 45 26 44 30 52 18 37 5 54 16
1386 1387 1388 1389 1391 1392 1393 1394 1395 1396 1397 1398 1399 1402 1403 1404
25 52 1 45 63 54 27 39 45 4 44 52 32 72 26 51
1405 1406 1407 1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 1420
24 45 52 55 43 50 37 27 34 51 45 23 51 54 23 52
1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435 1436
35 46 34 72 2 16 46 29 36 38 34 28 52 40 53 36
1437 1438 1439 1441 1442 1443 1444 1445 1447 1448 1449 1450 1451 1452 1454 1455
39 56 79 28 26 29 33 30 46 30 9 49 64 56 38 15
1456 1457 1458 1459 1460 1461 1462 1463 1464 1465 1466 1467 1468 1469 1470 1471
48 20 35 24 25 36 46 42 43 35 34 14 54 29 45 61
1472 1473 1474 1476 1477 1478 1479 1480 1481 1482 1483 1484 1485 1486 1487 1488
26 36 63 31 50 31 27 43 20 36 18 24 39 52 23 42
1489 1490 1491 1493 1494 1495 1497 1498 1499 1500 1501 1502 1504 1505 1506 1507
51 18 30 39 30 31 27 33 41 34 64 91 41 53 31 47
1508 1509 1510 1511 1512 1513 1514 1515 1516 1518 1519 1520 1521 1522 1523 1524
32 37 30 46 39 29 41 21 34 58 44 37 19 21 58 37
1525 1526 1527 1528 1529 1530 1531 1532 1533 1534 1535 1536 1537 1538 1539 1540
11 26 51 31 29 33 54 32 38 49 27 48 51 33 48 62
1541 1543 1545 1546 1547 1548 1549 1550 1554 1555 1556 1557 1558 1559 1560 1561
23 38 32 42 67 40 85 46 77 39 33 37 64 55 41 30
1562 1563 1564 1565 1566 1567 1569 1570 1571 1573 1574 1575 1576 1577 1578 1579
58 35 28 24 41 57 48 48 58 35 45 17 31 23 28 37
1580 1581 1582 1583 1584 1585 1586 1587 1588 1589 1590 1591 1592 1593 1594 1595
29 38 35 37 19 16 39 34 29 42 58 30 51 28 48 61
1596 1597 1598 1599 1600 1601 1602 1603 1604 1605 1606 1607 1608 1609 1610 1611
39 67 55 79 88 63 61 66 50 42 40 37 40 42 45 11
1612 1613 1614 1615 1616 1617 1618 1619 1620 1621 1622 1624 1625 1626 1627 1628
35 37 41 48 1 13 37 43 42 23 17 31 36 43 34 47
1629 1630 1631 1632 1633 1634 1635 1636 1637 1638 1639 1640 1641 1642 1643 1644
12 20 43 39 41 39 42 24 44 34 32 25 48 28 43 38
1645 1646 1647 1648 1649 1650 1651 1652 1653 1654 1655 1656 1657 1658 1659 1660
29 47 37 46 50 35 33 46 36 38 30 45 38 17 27 69
1661 1662 1663 1664 1665 1666 1667 1668 1669 1670 1671 1672 1673 1674 1675 1676
33 29 26 48 58 62 36 56 74 26 23 63 32 43 58 53
1677 1678 1679 1680 1681 1682 1683 1684 1685 1686 1687 1688 1689 1690 1692 1693
52 15 33 35 26 42 58 48 36 28 53 60 25 41 55 41
1694 1695 1696 1697 1698 1699 1700 1701 1702 1703 1704 1705 1706 1707 1708 1709
50 51 19 39 60 41 59 32 60 54 55 43 45 47 40 60
1710 1711 1713 1714 1715 1717 1718 1719 1720 1721 1722 1723 1724 1725 1726 1727
30 22 35 54 71 30 47 22 48 35 59 25 24 14 35 9
1728 1729 1730 1731 1732 1733 1734 1735 1736 1737 1738 1739 1740 1741 1742 1743
55 32 46 69 49 44 40 25 28 55 38 42 20 38 46 39
1744 1745 1746 1747 1748 1749 1750 1751 1752 1753 1754 1755 1756 1757 1758 1759
36 55 27 42 78 78 31 40 36 26 33 35 48 25 35 34
1760 1761 1762 1763 1764 1765 1767 1768 1769 1770 1772 1773 1774 1775 1776 1777
46 56 31 30 57 90 31 44 40 60 59 51 30 29 17 53
1778 1779 1780 1781 1782 1783 1784 1785 1786 1787 1788 1789 1790 1791 1792 1793
32 46 44 29 38 68 73 34 50 36 56 23 28 39 58 48
1794 1795 1796 1797 1798 1799 1800 1801 1802 1803 1804 1805 1806 1807 1808 1809
28 42 49 64 29 49 51 40 47 1 23 39 36 41 34 20
1810 1811 1812 1813 1814 1816 1817 1818 1819 1820 1821 1822 1823 1824 1825 1826
28 40 45 62 72 32 63 64 61 39 32 29 26 10 43 59
1827 1828 1829 1830 1831 1832 1833 1834 1835 1836 1837 1838 1839 1840 1841 1842
45 41 36 67 48 44 64 21 37 43 49 47 21 34 61 75
1843 1844 1845 1846 1847 1848 1851 1852 1853 1854 1855 1856 1857 1858 1859 1860
45 35 66 33 69 20 44 50 47 75 74 73 26 34 41 20
1861 1862 1863 1864 1866 1867 1868 1869 1870 1872 1873 1874 1875 1876 1877 1878
45 45 35 63 77 48 49 48 49 55 32 22 35 61 42 56
1879 1880 1881 1882 1883 1884 1885 1886 1887 1888 1889 1890 1891 1892 1893 1894
73 31 36 62 51 3 65 39 45 42 35 34 49 34 40 34
1895 1896 1897 1899 1900 1901 1902 1903 1904 1905 1906 1907 1908 1909 1910 1911
34 2 38 45 27 48 37 41 46 38 57 53 28 58 39 45
1912 1913 1914 1915 1916 1917 1918 1919 1921 1922 1923 1924 1925 1926 1927 1928
70 82 34 49 23 31 49 55 30 28 38 41 66 34 33 28
1929 1930 1931 1932 1933 1934 1935 1936 1938 1939 1940 1941 1942 1943 1944 1945
48 54 47 47 31 53 57 50 39 54 84 76 23 49 51 44
1946 1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1960 1961 1962 1963
58 32 63 78 39 43 26 32 41 66 50 27 43 36 50 38
1965 1966 1967 1968 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981
47 23 50 64 43 28 31 41 26 56 35 79 52 54 20 56
1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1996 1998 1999
21 37 36 45 55 27 30 53 39 71 54 29 61 50 103 30
2000 2001 2002 2003 2004 2005 2006 2007 2008 2010 2011 2012 2014 2015 2016 2017
68 42 37 35 19 53 66 37 42 45 45 50 54 55 39 15
2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033
50 36 35 52 46 29 18 26 25 44 78 53 24 45 26 27
2035 2036 2037 2038 2039 2040 2041 2042 2043 2044 2045 2046 2048 2049 2050 2051
56 36 17 51 47 43 26 46 32 19 50 50 71 69 59 47
2052 2053 2054 2055 2056 2057 2059 2061 2062 2063 2064 2065 2066 2067 2068 2069
49 22 28 52 38 43 64 51 32 22 54 37 48 41 44 37
2070 2071 2072 2073 2074 2075 2076 2077 2078 2079 2080 2081 2082 2083 2084 2085
37 23 69 40 24 31 14 38 38 58 44 54 62 11 29 54
2086 2087 2088 2089 2090 2091 2092 2093 2094 2095 2096 2098 2099 2100 2101 2102
55 28 42 39 71 46 37 70 49 37 42 63 40 60 43 25
2103 2104 2105 2106 2107 2109 2111 2112 2113 2114 2115 2116 2117 2118 2119 2120
44 28 32 33 49 68 37 22 24 36 65 48 37 35 29 49
2121 2122 2123 2124 2125 2126 2127 2128 2129 2130 2131 2132 2133 2134 2135 2136
36 42 41 26 58 16 26 20 65 39 40 35 51 52 7 53
2137 2138 2139 2140 2141 2142 2143 2144 2145 2148 2149 2150 2151 2153 2154 2155
60 65 44 54 53 51 35 28 50 36 78 52 21 42 58 51
2156 2157 2158 2160 2161 2162 2164 2165 2166 2167 2168 2169 2170 2171 2172 2173
36 32 48 67 1 45 38 53 36 46 31 25 31 32 58 41
2174 2175 2177 2178 2179 2180 2181 2182 2183 2184 2185 2186 2187 2188 2193 2197
54 42 61 39 22 24 43 12 30 64 30 47 47 63 37 97
2199 2200 2201 2202 2203 2204 2205 2206 2207 2208 2209 2211 2212 2213 2214 2215
74 89 61 64 23 34 20 42 36 38 36 46 34 39 34 38
2216 2218 2219 2220 2221 2222 2223 2224 2225 2226 2227 2228 2229 2230 2231 2232
35 35 36 15 48 30 57 31 17 86 44 49 36 72 27 54
2233 2234 2235 2236 2239 2240 2241 2244 2245 2246 2247 2249 2250 2251 2252 2253
57 36 61 64 59 55 78 49 71 3 102 30 91 19 16 43
2254 2255 2256 2257 2258 2259 2260 2261 2262 2263 2264 2265 2266 2268 2269 2270
21 43 32 38 29 27 41 35 33 41 25 28 33 54 37 46
2271 2272 2273 2274 2275 2276 2277 2278 2279 2280 2281 2282 2283 2284 2285 2286
31 34 40 41 9 30 14 38 28 53 51 31 49 42 43 70
2288 2289 2290 2291 2292 2293 2294 2295 2296 2297 2298 2300 2301 2302 2303 2304
103 101 66 55 88 1 85 58 77 49 91 84 29 49 35 32
2305 2306 2307 2308 2309 2310 2311 2312 2314 2315 2316 2317 2318 2319 2320 2321
47 31 21 45 73 39 49 39 29 44 69 27 34 31 22 36
2322 2323 2324 2325 2326 2327 2328 2329 2330 2331 2332 2333 2334 2335 2337 2338
10 37 29 35 31 75 40 41 66 48 37 64 44 69 38 48
2339 2340 2341 2342 2344 2345 2346 2347 2348 2349 2350 2351 2352 2353 2354 2355
47 40 44 26 60 37 48 41 34 80 40 34 75 32 40 44
2356 2357 2358 2359 2360 2361 2362 2363 2364 2365 2366 2367 2368 2369 2370 2371
44 20 52 58 56 43 59 44 32 42 59 10 22 40 47 26
2372 2373 2374 2375 2376 2377 2378 2379 2380 2381 2382 2383 2384 2385 2387 2388
57 56 29 44 43 38 50 39 33 41 27 68 93 44 75 112
2389 2390 2391 2392 2393 2397 2399 2400 2401 2402 2403 2404 2405 2406 2407 2408
90 74 75 63 53 49 70 64 55 38 18 49 52 36 37 39
2409 2410 2411 2412 2413 2414 2415 2416 2417 2418 2419 2420 2421 2422 2423 2424
53 53 37 47 47 37 48 46 26 24 34 15 28 40 19 36
2425 2426 2427 2428 2429 2430 2431 2432 2433 2434 2436 2437 2438 2439 2440 2441
38 59 39 8 33 56 22 47 69 75 72 50 43 42 72 77
2442 2443 2444 2445 2446 2447 2448 2449 2450 2451 2452 2453 2454 2455 2456 2457
39 25 40 72 22 59 56 32 88 26 40 39 46 43 19 12
2458 2459 2460 2461 2462 2463 2464 2465 2466 2467 2468 2469 2470 2471 2472 2473
42 38 34 37 57 20 13 25 38 30 43 54 24 32 37 51
2474 2475 2476 2477 2478 2479 2480 2481 2482 2483 2484 2485 2487 2488 2489 2490
30 44 49 57 29 19 19 30 23 67 79 55 48 66 61 52
2491 2492 2493 2494 2495 2496 2497 2498 2499 2500
66 103 97 86 55 34 89 66 66 81
Comprobación de nodos vacíos:
dim_model <- 50*50;
len_nb = length(nb);
empty_nodes <- dim_model != len_nb;
if (empty_nodes) {
print(paste("[Warning] Existen nodos vacíos: ", len_nb, "/", dim_model))
}
[1] "[Warning] Existen nodos vacíos: 2330 / 2500"
plot(model, type="dist.neighbours", shape = "straight")
model_colnames = c("fecha_cnt", "tmax", "tmin", "longitud", "latitud", "altitud")
model_ncol = length(model_colnames)
plot(model, shape = "straight")
par(mfrow=c(3,4))
for (j in 1:model_ncol) {
plot(model, type="property", property=getCodes(model,1)[,j],
palette.name=mpr.coolBlueHotRed,
main=model_colnames[j],
cex=0.5, shape = "straight")
}
if (!empty_nodes) {
cor <- apply(getCodes(model,1), 2, mpr.weighted.correlation, w=nb, som=model)
print(cor)
}
Representación de cada variable en un mapa de factores:
if (!empty_nodes) {
par(mfrow=c(1,1))
plot(cor[1,], cor[2,], xlim=c(-1,1), ylim=c(-1,1), type="n")
lines(c(-1,1),c(0,0))
lines(c(0,0),c(-1,1))
text(cor[1,], cor[2,], labels=model_colnames, cex=0.75)
symbols(0,0,circles=1,inches=F,add=T)
}
Importancia de cada variable - varianza ponderada por el tamaño de la celda:
if (!empty_nodes) {
sigma2 <- sqrt(apply(getCodes(model,1),2,function(x,effectif)
{m<-sum(effectif*(x-weighted.mean(x,effectif))^2)/(sum(effectif)-1)},
effectif=nb))
print(sort(sigma2,decreasing=T))
}
if (!empty_nodes) {
hac <- mpr.hac(model, nb)
}
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=3)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=3)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=4)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=4)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=5)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=5)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=6)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=6)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=8)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=8)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
df.cluster07 <- subset(df, cluster==7)
df.cluster08 <- subset(df, cluster==8)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=10)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=10)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
df.cluster07 <- subset(df, cluster==7)
df.cluster08 <- subset(df, cluster==8)
df.cluster09 <- subset(df, cluster==9)
df.cluster10 <- subset(df, cluster==10)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster09 <- select(df.cluster09, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster10 <- select(df.cluster10, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) summary(df.cluster09)
if (!empty_nodes) summary(df.cluster10)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1], dim(df.cluster09)[1], dim(df.cluster10)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08", "cluster09", "cluster10"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.hist(df.cluster09)
if (!empty_nodes) mpr.hist(df.cluster10)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster09)
if (!empty_nodes) mpr.boxplot(df.cluster10)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
df.cluster09.grouped <- mpr.group_by_geo(df.cluster09)
df.cluster10.grouped <- mpr.group_by_geo(df.cluster10)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster09.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster10.grouped)